Katalog / Wissenschaft und Ingenieur-F&E / SCI-003

Materialentdeckung & Eigenschaftsvorhersage

Mit Graph Neural Networks, maschinell gelernten interatomaren Potenzialen und generativen Modellen neue Materialien (Batterien, Katalysatoren, Legierungen, Halbleiter, Polymere) vor kostspieliger Synthese und Prüfung durchsuchen, vorschlagen und ranken.

Bausteine für den EigenbetriebAgenten & AutomatisierungProgrammierassistentSprachmodellOptimierungWissenschaft & ErddatenPrognose & Zeitreihen

Ein besseres Batterieelektrolyt, einen besseren Katalysator, Magneten oder eine bessere Legierung zu finden, bedeutet traditionell Jahre des Ausprobierens plus teure quantenmechanische (DFT-)Rechnungen. KI verkürzt das auf drei Arten: Schnelle Ersatzmodelle sagen Eigenschaften von Millionen Kandidaten voraus, maschinell gelernte interatomare Potenziale (MLIPs) führen atomistische Simulationen in nahezu DFT-Qualität zu einem Bruchteil der Kosten aus, und generative Modelle schlagen neue Strukturen für ein Zielprofil vor. Das Ergebnis ist eine kurze, geordnete Liste für das Labor statt einer blinden Suche. Es bleibt ein Trichter: KI grenzt ein, Experimente entscheiden.

Problem & Nutzen

  • Heute: Die Materialforschung kombiniert chemische Intuition, Literatur, Versuchsplanung und DFT. DFT skaliert schlecht mit der Systemgröße (typischerweise kubisch in der Elektronenzahl), sodass große Screening-Kampagnen, Dynamik bei endlicher Temperatur oder reaktive Systeme oft außer Reichweite liegen.
  • KI-Nutzen: Universelle MLIPs und Eigenschaftsvorhersagemodelle machen das Screening sehr großer Kandidatenräume machbar; generative Modelle durchsuchen Zusammensetzungen, die Menschen nicht ausprobieren würden; Active Learning wählt das nächste Experiment. Veröffentlichte Meilensteine: GNoME von DeepMind meldete rund 2,2 Millionen neue Kristallstrukturen als stabil vorhergesagt, von denen einige hunderttausend auf der aktualisierten konvexen Hülle liegen [3]; MatterGen von Microsoft erzeugte Strukturen für Zieleigenschaften, und eine davon wurde synthetisiert und innerhalb von etwa 20 % des Zielwerts (Kompressionsmodul) gemessen [4]. Beides sind Forschungsdemonstrationen; betrachten Sie die Zahlen als Kandidaten, nicht als Entdeckungen.
  • Für KMU: Der realistische Gewinn ist eine schnellere Iteration an einem Problem mit offenen vortrainierten Modellen plus einigen hundert eigenen Datenpunkten.

Varianten

  • Anorganische Kristalle / Energiematerialien: Batteriekathoden, Festkörperelektrolyte, Magnete, Thermoelektrika, Photovoltaik, Wasserstoffspeichermaterialien.
  • Katalyse und Oberflächen: Adsorptionsenergien, Reaktionsbarrieren (Aufgaben im Stil von Open Catalyst) für Elektrolyseure, Brennstoffzellen, CO2-Umwandlung.
  • Legierungen, Polymere, Halbleiter: CALPHAD-gestütztes ML für Legierungen, Eigenschaftsvorhersage über Monomer-Graphen (zur Formulierung siehe SCI-014), Defekte und Dielektrika.
  • Atomistische Simulation mit MLIPs (Methode und Baustein): MACE, UMA und MatterSim dienen in diesem Anwendungsfall als Simulationsweg, für Katalyse, Batterien und Halbleiter sowie für pharmazeutische Festformen und das Ranking von Polymorphen (Molekülkristalle; zur Wirkstoffforschung siehe SCI-002). MLIPs sind ein wiederverwendbarer Baustein, kein eigener Business Case.

So funktioniert es

Zielprofil (Eigenschaften, Randbedingungen, Kosten/Toxizität/Versorgung)
  -> Kandidatenerzeugung (Substitution, Enumeration, generatives Modell, Literatur-Mining)
  -> schnelle Filter (Ladungsneutralität, Zusammensetzungsregeln, ML-Surrogate für Stabilität/Eigenschaften)
  -> Strukturrelaxation + Eigenschaften mit MLIP (Energie, Kräfte, Phononen, MD, Barrieren)
  -> Unsicherheitsprüfung (Ensembles/Modelluneinigkeit) -> selektive DFT-Verifikation
  -> Ranking (Stabilität, Eigenschaft, Kosten, REACH-/Versorgungsrisiko-Screening)
  -> Prüfung durch menschliche Fachleute -> Syntheseplanung / Laborwarteschlange (SCI-007) -> Messungen
  -> Rückkopplung in den Datenspeicher und Nachtraining / Active Learning
  • Eigenschaftsvorhersagemodelle: Graph Neural Networks auf Kristallgraphen (CGCNN-Linie, MEGNet, M3GNet/CHGNet, äquivariante Modelle) sagen Bildungsenergie, Bandlücke und Elastizitätsmoduln voraus.
  • Maschinell gelernte interatomare Potenziale: äquivariante Netze, trainiert auf DFT-Energien/-Kräften. Universelle („Foundation") MLIPs decken den Großteil des Periodensystems ab: MACE-MP-0 und MACE-OMAT, Metas UMA-Familie (trainiert auf OMat24, OMol25, OC20 und verwandten Datensätzen, Mixture-of-Linear-Experts-Architektur) [2], Microsofts MatterSim sowie SevenNet, ORB, Modelle vom Typ Equiformer und CHGNet. Feintuning an einigen hundert systemspezifischen DFT-Rechnungen ist der übliche Weg, Genauigkeitslücken zu schließen.
  • Generative Modelle: Diffusionsmodelle über Atomtypen, Positionen und Gitter (MatterGen, Stil von DiffCSP) und LLM-basierte CIF-Generatoren; die Ausgabe muss immer relaxiert und verifiziert werden.
  • LLM-/Agentenschicht: LLMs werten Literatur aus, schreiben ASE-/pymatgen-Skripte und steuern Workflows (SCI-011); sie ersetzen nie die physikalische Prüfung.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Fachexperten legen Ziele fest, beurteilen die Synthetisierbarkeit, entscheiden, welche Kandidaten ins Labor gehen, und validieren jedes Modell, das außerhalb seines Trainingsbereichs eingesetzt wird.

Datenaufbereitung

Eingaben sind Kristallstrukturen, Zusammensetzungen, gemessene Eigenschaften, Simulationsergebnisse (DFT) und Prozessparameter. In einem Materiallabor oder bei einem Hersteller liegen sie in Laborbüchern, Excel-Tabellen, Geräteexporten, Ausgabeordnern von Simulationen, ERP/MES für Prozessdaten und offenen Datenbanken.

Typische Lücken: Eigenschaften, die unter nicht dokumentierten Bedingungen gemessen wurden, uneinheitliche Einheiten und Schreibweisen von Zusammensetzungen, nie erfasste Ergebnisse fehlgeschlagener Synthesen, gemischte DFT-Einstellungen, die Energien unvergleichbar machen, und Prozessdaten, die über Maschinen und Papierprotokolle verstreut sind.

Schritte der Aufbereitung: 1. Quellen, Verantwortliche und Formate erfassen (PREP-001, PREP-002, PREP-005). 2. Papierprotokolle und Logbücher digitalisieren (PREP-006, PREP-008). 3. Tabellen in saubere Tabellen mit Einheiten und Messbedingungen umstrukturieren (PREP-011). 4. Einen Notationsstandard und ein Glossar für Zusammensetzungen und Eigenschaften festlegen (PREP-012, PREP-015). 5. DFT-Einstellungen vereinheitlichen oder klar kennzeichnen und negative Ergebnisse behalten (PREP-020). 6. Mit Fachexperten ein zurückgehaltenes Testset aufbauen (PREP-018).

Aufwandsanteil: hoch - oft mehr als die Hälfte des Aufwands, da vortrainierte Potenziale wenig Einrichtung brauchen, Eigenschaftsmodelle aber von konsistenten hausinternen Daten abhängen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • Enterprise: Weg C - Materialzusammensetzungen und Prozessdaten sind Betriebsgeheimnisse, und offene universelle interatomare Potenziale (MACE, CHGNet, Klasse MatterSim) laufen auf einem eigenen GPU-Cluster (HW3) mit offenen Datenbanken wie dem Materials Project.
  • Developer: Weg C - die offenen Modelle und ASE-basierten Werkzeuge sind ausgereift und leicht zu integrieren; Cloud-APIs (Weg B) sind nur ein Rückfall für kurze Lastspitzen.
  • Public: Weg C - Hochschulen und Forschungsinstitute können den offenen Stack auf HPC oder souveräner Cloud betreiben und Daten und Ergebnisse reproduzierbar halten.

Weg A — Kaufen (Standardsoftware)

  • Kommerzielle Plattformen: Schrodinger Materials Science Suite (DFT, MD, ML), Dassault Systemes BIOVIA Materials Studio und Pipeline Pilot, Citrine Informatics (Materialdatenplattform und Sequential Learning), Microsoft Azure Quantum Elements / Generative Chemistry, Rowan (Cloud-Workflows für Atomistik mit offenen MLIPs), SandboxAQ AQChemSim, Matlantis (Preferred Networks / ENEOS, universelles MLIP als Dienst), Orbital Materials, CuspAI (UK/NL, EU-nah), Radical AI. Überwiegend US-/UK-Anbieter; CuspAI hat EU-Bezug; prüfen Sie EU-Hosting und Datenbedingungen je Vertrag.
  • A wählen, wenn: ein klar definiertes Problem, ein kleines Computational-Team, Bedarf an Support und validierten Workflows.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Rechenleistung und Modelle: offene MLIPs (MACE, UMA, MatterSim) auf GPU-Clouds in EU-Regionen betreiben (OVHcloud, Scaleway, IONOS, STACKIT, AWS-/Azure-EU-Regionen); Azure Quantum Elements und Rowan bieten gehostete Workflows an.
  • Daten/APIs: Materials-Project-API, OPTIMADE (Standard-API über Datenbanken hinweg), NOMAD (Deutschland, FAIR-Repositorium).
  • Orchestrierung: AiiDA, atomate2; ASE und pymatgen; LLM-APIs (Claude, Mistral, Gemini, GPT) für Literaturauswertung und Code.
  • B wählen, wenn: Sie Rechenspitzen ohne eigene GPUs abdecken wollen und hausintern Kenntnisse in wissenschaftlichem Python haben.

Weg C — Selbst betreiben (Open Source)

  • Modelle/Werkzeuge: MACE (MIT-Lizenz), UMA über fairchem (Meta; Lizenzbedingungen des Modells vor kommerzieller Nutzung prüfen), MatterSim, CHGNet, SevenNet, ORB; MatterGen (MIT-lizenzierter Code und Gewichte von Microsoft); Matbench Discovery zum Vergleich von MLIPs; DFT mit Quantum ESPRESSO, GPAW, CP2K, ABINIT, VASP (kommerzielle Lizenz), LAMMPS und ASE für die Dynamik.
  • Hardware: HW2 bewältigt Inferenz und kleine MD mit universellen MLIPs; HW3 (GPU mit 48-141 GB) ist das praktische Minimum für Feintuning, große Zellen und generatives Sampling; große DFT-Kampagnen nutzen CPU-Cluster oder EuroHPC/nationales HPC.

Weg D — Eigenes Training

Lohnt sich, wenn die Chemie außerhalb der Trainingsverteilung liegt (z. B. Salzschmelzen, spezifische Grenzflächen, Magnete ohne Seltene Erden) oder wenn Sie eigene Messdaten besitzen. Benötigt hunderte bis einige tausend DFT-gelabelte Strukturen, per Active Learning ausgewählt, oder experimentelle Datensätze mit einheitlichen Protokollen. Das Feintuning eines Foundation-MLIPs ist dem Training von Grund auf vorzuziehen.

Stand der Technik (2026)

  • Universelle MLIPs sind die größte praktische Veränderung: MACE-MP-0, UMA, MatterSim und vergleichbare Modelle reproduzieren DFT-Energien und -Kräfte über einen Großteil des Periodensystems; der Benchmark Matbench Discovery verfolgt, wie gut sie stabile Kristalle finden [5]. Metas OMat24/OMol25 und das UMA-Paper (bis zu etwa 1,4 Mrd. Parameter, rund 50 Mio. aktiv pro Struktur) haben die Trainingsdaten in den Bereich hunderter Millionen Strukturen gebracht [2].
  • Generatives Design (MatterGen, Active-Learning-Schleifen im Stil von GNoME) liefert stabil wirkende Kandidaten für Zieleigenschaften; Synthesevalidierung bleibt dünn gesät [3][4].
  • Grenzen und Fehlerbilder: (1) MLIPs weichen die Krümmung der Potenzialenergiefläche oft auf (unterschätzen sie) und können bei Chemie außerhalb der Verteilung, hochenergetischen Konfigurationen, Magnetismus, geladenen oder weitreichenden Systemen versagen; (2) ein niedriger Fehler auf DFT-Niveau garantiert keine korrekten Eigenschaften bei endlicher Temperatur oder kinetische Eigenschaften; (3) die Energie oberhalb der Hull ignoriert die Kinetik, sodass „stabile" Verbindungen nicht synthetisierbar sein können; (4) Trainingsdaten sind meist DFT mit Funktionalfehlern (PBE-Bandlücken, vdW); (5) Datenbankverzerrung zugunsten gut untersuchter Chemie; Benchmarks gegen Experimente sind seltener als gegen DFT.

Gemeinsame Bausteine & Kombinationen

Aufwand, Kosten & Kennzahlen

  • Aufwand: A Wochen; B 2-4 Monate; C 3-6 Monate (1-3 Computational Scientists); D 6-12+ Monate, die DFT-Beschriftung dominiert die Kosten.
  • Kennzahlen: experimentelle Trefferquote vorhergesagter Kandidaten; MAE gegenüber gemessener Eigenschaft auf zurückgehaltenen Daten; eingesparte Experimente oder DFT-Stunden pro qualifiziertem Material; Zeit bis zum ersten validierten Kandidaten; Anteil der Flags für Daten außerhalb der Verteilung.

Menschen & Veränderung

Früh einbinden: Die Geschäftsführung und die Abteilungsleitung F&E legen Zieleigenschaften und Budget fest. Datenverantwortliche (Labor, Simulationsgruppe, Produktionsdaten aus MES/ERP) müssen der Datenfreigabe zustimmen. Die IT stellt GPU und Speicher bereit; IT-Sicherheit und Recht/Compliance kümmern sich um Betriebsgeheimnisse, Forschungsverträge und Exportkontrolle für Dual-Use-Materialien. Materialwissenschaftler als Anwender sollten den Pilot mitgestalten.

Betriebsrat: abhängig vom Einzelfall. Die Modelle bewerten Materialien, nicht Menschen. §87 Abs. 1 Nr. 6 BetrVG greift nur, wenn die Plattform die Aktivität einzelner Nutzer (Job-Protokolle, Nutzungsstatistiken) so erfasst, dass sie sich zur Leistungsüberwachung eignet; dann regeln Sie es per Betriebsvereinbarung. Unterrichten Sie den Betriebsrat rechtzeitig (§90 Abs. 1 Nr. 3 BetrVG); Hochschulen und öffentliche Stellen beteiligen den Personalrat. Siehe GUIDE-004.

Datenschutz: normalerweise keine personenbezogenen Daten; klären Sie Benutzerkonten und Protokolle mit dem/der Datenschutzbeauftragten.

KI-Kompetenz: Unterstützen Sie das Team mit Schulungen zu Modellgrenzen, Vorhersagen außerhalb der Verteilung und Unsicherheit, wie es Art. 4 KI-Verordnung erwartet (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einer Materialklasse und einer kleinen freiwilligen Gruppe; vergleichen Sie Vorhersagen mit Messungen und berichten Sie offen (GUIDE-008, GUIDE-009).

Typische Sorgen: Angst, dass Simulation Experimente oder Erfahrung ersetzt. Machen Sie klar, dass Kandidaten gerankt, nicht entschieden werden und die Laborvalidierung verpflichtend bleibt.

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): typischerweise minimales Risiko; wissenschaftliche Forschungsmodelle liegen weitgehend außerhalb der Verordnung, wenn sie ausschließlich für wissenschaftliche Forschung entwickelt werden (Art. 2 Abs. 6), und die Vorhersage von Materialeigenschaften ist keine Nutzung nach Anhang III. Keine verbotene Praxis nach Art. 5 trifft zu. Die KI-Kompetenz (Art. 4) gilt für das Personal. Wird ein KI-Modell mit allgemeinem Verwendungszweck integriert, liegen die GPAI-Anbieterpflichten beim Modellanbieter.
  • DSGVO: chemische/physikalische Daten, keine personenbezogenen Daten über geringfügige Autoren-Metadaten in Laborbüchern hinaus.
  • Chemikalien- und Produktrecht: Kandidatenmaterialien müssen nach REACH/CLP, RoHS, der EU-Batterieverordnung (2023/1542) und den Vorschlägen zur PFAS-Beschränkung geprüft werden; nutzen Sie SCI-015 früh, um Sackgassen zu vermeiden.
  • Dual Use: Generative Modelle können gefährliche Stoffe vorschlagen; nutzen Sie Zugriffskontrolle und Sperrlisten auf gemeinsam genutzten Plattformen.
  • Geistiges Eigentum und Lizenzen: Prüfen Sie Lizenzen von Datensätzen und Modellgewichten (Materials Project, OMat24/OMol25, UMA) vor kommerzieller Nutzung; dokumentieren Sie die Erfinderschaft.
  • Wissenschaftliches Risiko: übermäßiges Vertrauen in Vorhersagen; mindern durch Unsicherheitsschätzungen, DFT-Stichproben, experimentelle Validierung und dokumentierte Modellversionen.

Erste Schritte

  1. Eine konkrete Zieleigenschaft und Randbedingungen festlegen (zum Beispiel Li-Ionen-Leitfähigkeit über einem Schwellenwert, kein Kobalt, REACH-konform).
  2. ASE, pymatgen und ein universelles MLIP (MACE oder UMA) installieren; 3-5 bekannte Eigenschaften eines Ihnen vertrauten Materials reproduzieren und mit Ihren Labordaten vergleichen.
  3. Kandidaten über die Materials-Project-API oder OPTIMADE abrufen, mit dem MLIP durchsuchen und nach Stabilität und Eigenschaft ranken.
  4. Die besten 10-20 mit DFT verifizieren und 3-5 ins Labor schicken; alle Ergebnisse in einem Workflow-Manager wie AiiDA festhalten.
  5. Sind die Fehler systematisch, an einigen hundert gezielten DFT-Rechnungen feintunen und mit Active Learning wiederholen.

Quellen

  1. Batatia et al. — MACE-MP-0: a foundation model for atomistic materials chemistry — https://arxiv.org/abs/2401.00096
  2. Wood et al. (Meta FAIR) — UMA: A Family of Universal Models for Atoms — https://arxiv.org/abs/2506.23971
  3. Merchant et al. (DeepMind) — Scaling deep learning for materials discovery, Nature 2023 — https://www.nature.com/articles/s41586-023-06735-9
  4. Zeni et al. (Microsoft) — A generative model for inorganic materials design, Nature 2025 — https://www.nature.com/articles/s41586-025-08628-5
  5. Riebesell et al. — Matbench Discovery — https://arxiv.org/abs/2308.14920
  6. Materials Project API and documentation — https://docs.materialsproject.org/
  7. OPTIMADE consortium — https://www.optimade.org/
  8. AiiDA workflow and provenance framework — https://www.aiida.net/
  9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  10. Regulation (EU) 2023/1542 (Batteries Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1542/oj